Dec, 2023

机器学习在聚焦气凝胶探测器方面的应用

PDF
TL;DR超魅力 -τ 工厂实验的粒子识别将由聚焦增量环形成像切伦科夫探测器 (FARICH) 提供，探测器位置的特殊性使得适当的冷却困难，因此捕获了大量的环境背景杂讯，需要减轻以减少数据流并提高粒子速度分辨率，在这项工作中，我们提出了几种根据计算机视觉中的机器学习技术的方法来过滤信号杂讯。
particle identificationsuper charm-tau factory experimentfocusing aerogel ring imaging cherenkov detectorambient background hitsmachine learning techniques
发现论文，激发创造
  • EIC 张伦科夫探测器成像的人工智能

    本文总结了在未来电子离子对撞机中，影像 Cherenkov 探测器在粒子识别（PID）中的主要应用，并讨论了 AI 辅助设计和模拟在此过程中的可能应用。

    Apr, 2022

  • 利用不完整数据的机器学习粒子鉴别在 ALICE 实验中的应用

    ALICE 实验在 LHC 测量了超细相对论重离子碰撞中形成的强相互作用物质的性质。该研究需要准确的粒子鉴别，传统方法使用矩形截断，但机器学习方法可以获得更好的性能。我们的解决方案使用多个神经网络作为二进制分类器，并通过特征集嵌入和注意力来扩展我们的粒子分类器，以便在存在不完整样本的数据上进行训练。我们还介绍了 ML 项目与 ALICE 分析软件的集成，并讨论了领域适应，这是在模拟和实验数据之间传递知识所需的 ML 技术。

    Mar, 2024

  • 基于机器学习的缺失数据粒子识别

    在本研究中，我们介绍了一种新颖的粒子鉴别（PID）方法，适用于 CERN 的大型强子对撞机上的 ALICE 实验。我们提出的方法可以使用所有可用的数据示例进行训练，包括不完整的数据，从而提高所选样本的 PID 纯度和效率。

    Dec, 2023

  • Jet-Images -- 深度学习版本

    采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

    Nov, 2015

  • CaloClouds: 高速几何无关高粒度量能器模拟

    这项工作通过使用生成建模中的扩散模型直接生成三维空间中探测器里的能量沉积几千个空间点的点云，从而实现了高精度和速度的粒子模拟，表现出很好的物理相关分布建模。

    May, 2023

  • 利用深度学习搜索高能物理中的奇异粒子

    本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景，不需要人工构建非线性特征，但仍然比当前最佳方法提高 8% 的分类指标。

    Feb, 2014

  • 基于人工智能的电子离子对撞机探测器设计

    使用人工智能技术进行多目标优化在设计 EIC 探测器的跟踪系统中有着显著的应用效果，这可以帮助更高效地优化探测器性能和成本，推动未来高能核物理实验的发展。

    Mar, 2022

  • 粒子物理学中的异常检测机器学习

    粒子物理学中使用机器学习进行异常检测的最新技术进行综述，讨论了在大型复杂数据集中进行异常检测的挑战，并强调了在粒子物理实验中异常检测的成功应用。

    Dec, 2023

  • 用于纳米机械质谱的机器学习和卡尔曼滤波技术

    本研究提出了一种 Kalman 滤波算法，并与机器学习相结合，用于 Nanomechanical resonant sensors 的事件检测和质谱分析。研究表明，该方法可以提高事件检测的精度和速度。

    Jun, 2023

  • 应用深度学习方法分析 Imaging Atmospheric Cherenkov Telescopes 数据

    采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

    Mar, 2018